mit zwei Eingangsmatrizen in Regression

Ich möchte einige Koeffizienten lernen, von denen einige spärlich sind, und andere einfach wie üblich regularisiert werden. Der spärliche Teil wird unter Berücksichtigung von Relevance Vector-Maschinen erstellt. Mein Modell ist wie folgt:mit zwei Eingangsmatrizen in Regression

with pm.Model() as model: 
    b0 = pm.Normal('b0',mu=0,sd=10) 
    beta = pm.Normal('beta',mu=0,sd=30,shape = x_train.shape[1]) #normal coefficients 

    #sparse weights 
    alpha = pm.Gamma('alpha',1e-4,1e-4,shape = Phi_train.shape[1]) 
    beta_s = pm.Normal('beta_s',mu=0,tau=alpha,shape = Phi_train.shape[1]) #sparse betas 

    # Likelihood - NOTE x_train and Phi_train are the two INPUT matrices 
    mu = b0 + x_train*beta.T + Phi_train*beta_s.T 
    inv_sigma = pm.Gamma('sigma',1e-4,1e-4) 
    y_est = pm.Normal('y_est', mu=mu, tau= inv_sigma, observed=y_train)

mit der Ausnahme, dass es scheint nicht die mu = b0 ... Zeile. Wenn ich entweder x_train*beta.T oder Phi_train*beta_s.T los werde, kompiliert es gut. Ansonsten wirft sie aus dem folgenden Fehler: ValueError: Input dimension mis-match. (input[0].shape[1] = 35, input[1].shape[1] = 500)

So sind die Größen der beiden Matrizen sind: (210042, 35) und (210042, 500). Also mache ich hier etwas falsch?

Quelle

2016-06-22 Sachin_ruk

Es sieht aus wie Sie das Punktprodukt der Daten und Koeffizienten benötigen, nicht element Multiplikation: 'x_train.dot (beta)' oder ähnliche –

, die den Trick tat. Willst du das als eine Lösung darstellen, damit ich es als Antwort akzeptieren kann? –

In der oben genannten, multiplizieren Sie den Vektor der Koeffizienten und Matrix der Daten elementweise. Sie sollten stattdessen ihr Punktprodukt verwenden. Zum Beispiel:

x_train.dot(beta)

Quelle

2016-06-26 10:45:36

Antwort

Verwandte Themen